Eksploracja danych (data mining) to systematyczne przeszukiwanie dużych zbiorów danych w poszukiwaniu wzorców, zależności i anomalii. Korzysta z metod statystycznych i uczenia maszynowego, takich jak klasteryzacja, klasyfikacja czy analiza asocjacji. Klasycznym przykładem jest analiza koszyka zakupowego w handlu detalicznym, która pokazuje, jakie produkty są często kupowane razem – podstawa do decyzji o asortymencie, wyłożeniu towaru i rekomendacjach.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoRozpoznawanie wzorców to automatyczne identyfikowanie prawidłowości, struktur lub powtarzających się cech w danych, takich jak obrazy, dźwięki, teksty lub pomiary. Systemy przypisują nowe obserwacje do znanych kategorii albo odkrywają grupy bez z góry zdefiniowanych etykiet. Zastosowania obejmują rozpoznawanie twarzy, rozpoznawanie pisma ręcznego, kontrolę jakości w produkcji i wykrywanie nietypowych transakcji. Ta dziedzina jest ważną podstawą uczenia maszynowego.
Klastrowanie to metoda uczenia nienadzorowanego, która dzieli punkty danych na grupy na podstawie ich podobieństwa, bez zdefiniowanych wcześniej kategorii. Ujawnia wzorce, których nikt wcześniej nie nazwał – na przykład segmenty klientów o podobnych zachowaniach zakupowych. W przypadku tekstów klastrowanie pomaga posortować setki zapytań klientów według tematów, takich jak dostawa, fakturowanie czy reklamacje, i pokazuje, gdzie leży punkt ciężkości.
Analityka predykcyjna wykorzystuje dane historyczne, statystykę i uczenie maszynowe do szacowania prawdopodobnych przyszłych zdarzeń. Odpowiada na pytania takie jak: którzy klienci zamierzają zrezygnować? Ile towaru będzie potrzebne w przyszłym miesiącu? Kiedy maszyna prawdopodobnie ulegnie awarii? Wynikami są prawdopodobieństwa, a nie pewniki. Ich wartość w dużym stopniu zależy od jakości danych oraz od tego, czy prognozy faktycznie trafiają do decyzji i procesów.
Eksploracyjna analiza danych (EDA) to pierwsze, otwarte spojrzenie na zbiór danych: oblicza się wartości zbiorcze, bada rozkłady i wykresy oraz szuka wzorców, wartości odstających i braków – jeszcze bez ustalonej hipotezy. Pomaga ocenić jakość danych i znaleźć sensowne pytania do dalszej analizy lub modelowania. Przykład: przed prognozą sprzedaży EDA ujawnia, że jeden miesiąc został zapisany niekompletnie z powodu migracji systemu.
